[发明专利]一种白内障模型的训练方法及白内障识别方法

说明书

本发明提供一种白内障模型的训练方法及白内障识别方法，所述白内障识别模型的训练方法包括：获取多个训练样本，其中包括图像质量原因导致的图像不清的非白内障样本，所述训练样本包括样本图像以及指示其所属类别的标签，预设的类别包括白内障类、非白内障且图像质量正常类、非白内障且图像不清类；利用所述多个训练样本训练白内障识别模型识别相应样本图像所属的类别，输出识别结果，根据所述识别结果和对应的标签计算的损失值更新白内障识别模型的参数；本发明针对非白内障类设置非白内障且图像质量正常类、非白内障且图像不清类，由此，以训练白内障识别模型区分白内障以及图像不清的非白内障的特征，从而提高模型的精度。

技术领域

本发明涉及辅助医疗检测技术领域，具体地说，涉及一种白内障识别方法，更具体地说涉及一种基于眼底图像质量检测的白内障识别方法。

背景技术

白内障是一种可能导致失明的严重性眼底疾病。在以前的临床白内障筛查工作中，通过裂隙灯检查法和虹膜投影法来进行白内障的诊断。后来通过眼底相机采集的眼底图像来诊断白内障，由于眼底相机存在操作便捷和数据处理高效的特点，通过其采集的眼底图像来诊断白内障已经成为一种更常用的方式。

现阶段有很多研究都基于深度学习的卷积神经网络来进行白内障的识别和分级，但是大部分研究都是在图片质量良好的情况下完成的。然而在现实情况中，由于拍摄条件和设备的影响会存在很多质量不佳的非白内障图像，而且该质量不佳的图片很可能被误分为白内障图像，增加了白内障识别的难度。例如图1所示的示意性的三种图像，图1a为图像质量正常的非白内障患者对应的眼底图像；图1b为白内障患者的眼底图像；图1c为非白内障患者的眼底图像，但是由于拍摄图像的质量问题，出现了图像模糊的情况，很容易被误认为是白内障的眼底图像，给白内障的识别带来了一定的干扰。概括来说，参见图2，对于白内障和非白内障，由于图像质量的原因，在非白内障处容易因为图像质量引发白内障识别模型错误分类，影响模型的精度。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种白内障模型的训练方法及白内障识别方法。

本发明的目的是通过以下技术方案实现的：

根据本发明的第一方面，提供一种白内障识别模型的训练方法，包括：获取多个训练样本，其中包括图像质量原因导致的图像不清的非白内障样本，所述训练样本包括样本图像以及指示其所属类别的标签，预设的类别包括白内障类、非白内障且图像质量正常类、非白内障且图像不清类；利用所述多个训练样本训练白内障识别模型识别相应样本图像所属的类别，输出识别结果，根据所述识别结果和对应的标签计算的损失值更新白内障识别模型的参数。

在本发明的一些实施例中，所述多个训练样本还包括：白内障样本以及图像质量正常的非白内障样本，所述标签的值为0类、1类或者2类，其中，0类表示白内障类，1类表示非白内障且图像质量正常类，2类表示非白内障且图像不清类。

在本发明的一些实施例中，所述多个训练样本中包括因图像过亮、图像过暗和图像模糊导致图像不清的样本图像。

在本发明的一些实施例中，所述多个训练样本中包括多种程度的因图像过亮、图像过暗和图像模糊导致图像不清的样本图像。

在本发明的一些实施例中，所述方法还包括：利用图像质量检测模型对数据集中属于非白内障类的样本进行图像质量检测，输出属于非白内障类的样本的质量检测结果，该质量检测结果指示对应样本属于图像质量正常的样本、相应程度的因图像过亮、图像过暗或图像模糊导致图像不清的样本；根据所述质量检测结果设置对应样本图像的标签以指示其属于非白内障且图像质量正常类或者非白内障且图像不清类。

在本发明的一些实施例中，所述多个训练样本不包含属于指定的非常规白内障类型的样本，所述指定的非常规白内障类型包括：先天性白内障、外伤性白内障、后发性白内障、代谢性白内障、药物性白内障或者其组合。